葛楚婷，丁海勇
(南京信息工程大学 遥感与测绘工程学院，南京 210044)
遥感影像变化检测是指利用同一区域的多时相遥感影像，通过数理模型分析来检测地表变化的过程。作为遥感影像重要的应用之一，变化检测不仅在检测变化物体方面发挥着重要作用，还有助于了解地表演化过程和规律。遥感卫星空间分辨率、时间分辨率和光谱分辨率的不断提高以及更多遥感卫星的发射，为变化检测工作提供了丰富的影像数据源，促进了其在土地覆盖及利用变化[1]、城市扩张[2]、滨海湿地监测[3]等诸多方面的广泛应用。
由于高空间分辨率遥感影像具有丰富的空间特征，不同地表物体具有明显的差异，同一地物内部也表现一定的空间异质性，这使得常规的变化检测方法，如差值法、比值法和变化向量法难以应用于高空间分辨率遥感影像进行变化检测。近年来，研究人员提出了多种基于变换的变化检测算法，如迭代慢特征分析法(iterative slow feature analysis，ISFA)[4]、迭代加权多元变化检测(iteratively reweighted multivariate alteration detection，IRMAD)[5]、主成分分析法(principal component analysis，PCA)[6]等方法，这些方法都获得了较好的检测效果。但是，由于仅利用灰度值作为唯一统计信息，得到的检测结果往往不够完整且存在类似噪声的伪变化区域[7]。由光照条件和辐射差异引发的“同物异谱”和“异物同谱”的误差也证明了仅利用光谱信息的局限性。相比之下，纹理和结构特征更加稳定，且不受灰度差异的影响。因此，融合多特征来进行变化检测的思想被广泛采取。已有研究中，对光谱、纹理和结构特征的使用较多。基于光谱特征，如邻域相关影像[8]、匹配误差、JS散度(Jensen-Shannon，JS)和互相关特征[9]等用于遥感影像变化检测。基于纹理特征，如局部二值纹理(local binary patterns，LBP)算子[10]、灰度共生矩阵(grey level co-occurrence matrix，GLCM)[11-12]等用于高空间分辨率遥感影像变化检测及目标提取。基于结构特征，如形态梯度[13]、方向梯度直方图(histogram of oriented gradient，HOG)[14]、方向梯度通道结构特征(channel features of orientated gradients，CFOG)[15]等。
在遥感影像中，地物的光谱特性可以反映丰富的地物类别和属性信息，纹理特征可以反映邻域像元间的关系，而结构特征则有助于识别建筑物道路等地物，这三种特征之间相互补充，共同揭示遥感影像的空间信息。然而，综合使用三种特征进行变化检测的研究相对较少。为此，本文提出了一种多特征融合的高分辨率遥感影像变化检测框架。利用最大投票方法决策融合IRMAD、ISFA、PCA 3种独立算法的光谱变化检测结果，并与经最优特征选择后的纹理和结构特征变化结果相结合，得到影像间全面的变化信息。
本文方法的流程如图1所示，主要包括3个部分。
图1 融合多特征的变化检测流程
1)获取光谱变化信息。通过IRMAD、ISFA和PCA 3种方法分别提取双时相影像间的光谱差异信息，然后综合上述3个方法的检测结果，利用最大投票策略(majority voting，MV)进行决策级融合，获得光谱特征真实变化的区域。
2)提取空间结构+纹理特征变化信息。利用方向梯度直方图HOG结构特征、多尺度的灰度共生矩阵纹理信息构建双时相影像的特征集，并通过最优特征的选择和自适应阈值分割得到结构及纹理特征的最佳变化信息。
3)生成最终变化检测结果。将光谱特征的检测结果和结构纹理特征的检测结果进行逻辑运算分析，获得综合多特征信息的初始变化结果。而后利用数学形态学算子进行后处理优化，得到最终的变化检测结果。
1.1 获取光谱变化信息
1)基于光谱特征的变化检测。遥感影像丰富的地物光谱特性为变化检测工作提供较好的参考，但由于“同物异谱、异物同谱”现象的存在，利用单一的检测方法往往精度有限。因此本文综合3种光谱变化检测方法(IRMAD、ISFA和PCA)的初始结果，经决策分析后获取准确全面的光谱变化信息。
在变化检测问题中，IRMAD算法的基本功能是引入一个与双时相影像间的相关关系有关的随机变量，并应用卡方分布函数对像素进行迭代重新加权[16]，使得光谱特征未变化的像素可以获得较高的权重。
ISFA的原理与IRMAD方法类似。与变化像素相比，不变像素在多时相影像上是保持光谱特征不变或变化微弱的。迭代慢特征分析法应用迭代加权的思想，在迭代的过程中为不变的像素分配较大的权值，提高变化像素和不变像素在特征差异中的可分离性。ISFA方法使用卡方距离来计算光谱差异图[17]。
PCA通过差分图来分析影像间的光谱特征差异，提取最能代表图像光谱属性的主成分分量来进行变化检测。此方法能有效降低数据集的维数，实现数据压缩的同时尽可能多地保留遥感影像中的有用信息。先使用窗口大小为5×5的非重叠掩膜过滤掉差分图中的背景部分，并使用主成分分析方法提取特征向量，而后将相邻的掩膜数据投影到唯一的向量空间中来提取光谱变化。
获得3个光谱变化差异图后，使用自适应阈值确定算法[18]进行阈值分割，得到各差异图的光谱变化图斑(式(1))。
(1)
式中：X代表各光谱变化差异图；
X′表示阈值分割后的二值图；
μ和σ是差异图的均值和标准差；
T是需要设置的阈值参数。
1.2 获取结构+纹理变化信息
对于高分辨率遥感影像，不同的太阳高度角、传感器、成像时间等因素都会致使地物光谱混合呈现非线性特性，导致变化检测结果存在误差，因此仅考虑地物光谱信息往往不能得到全面的检测结果。此外，对建筑物而言，结构和纹理特征是判定其是否发生变化的关键因素。为充分利用影像的空间信息，使用HOG结构特征和多尺度GLCM纹理特征的变化结果来对光谱变化信息进行有力补充。
1)结构+纹理特征提取。方向梯度直方图HOG特征常用于提取遥感影像的结构轮廓信息，其基本原理是用梯度或边缘的方向密度分布将待测图像局部目标的轮廓特征完整地描述出来。首先计算输入图像中每个像素点梯度的幅值和方向，获取纹理和形状信息且削弱光照的干扰。其次将所有像元的梯度直方图进行累加投影和归一化处理，形成HOG 特征向量。基于此方法分别对T1时相和T2时相的遥感影像进行结构特征的提取。
GLCM是描述图像纹理的常用方法，涉及探索灰度的空间相关特征以及像素间的空间分布关系，具有较强的鲁棒性和适应性。为满足不同数据变化检测的需要，采用4种灰度共生矩阵统计量来提取纹理特征，即方差(variance)、熵(entropy)、相关性(correlation)和差异性(dissimilarity)。为综合选取最佳的纹理特征，分别以3×3、5×5和7×7的像元窗口大小提取T1时相和T2时相遥感影像的纹理信息，各获得12个纹理特征。
2)最优特征选择。在提取结构和纹理特征后使用直接叠加的方式构建双时相影像的多特征集，即组合成13×1维的特征向量。对双时相的特征集进行归一化处理后，分别对它们进行主成分变换。将其映射为k维线性无关的变量，这k维分量为正交特征且被称为主成分。第一主成分是原始数据中方差最大的方向，其余成分的方差值依次递减，同时与第一主成分正交。本文k取3，变换后的前3个主分量保留了原始图像最丰富的特征信息。进行最优特征选择后构造差值特征主成分，并采用自适应阈值确定算法进行二值分类，得到结构和纹理特征的变化检测结果。
1.3 融合多特征的变化检测
多时相遥感影像的光谱差异能反映地物内部的变化，而结构和纹理差异则能揭示物体的边缘几何信息，对检测建筑物和小地物的变化意义重大。为充分利用影像的空间信息，采用逻辑运算对多特征的初始变化检测结果进行融合。原则是当检测结果中相同位置的像素值都为0时，将其视为不变像素。否则，判定其为变化像素。这样既保证了变化检测的总体精度，又保留了完整的真实变化区域。
采用数学形态学算子对结果进行后处理优化，消除大量椒盐噪声，补全碎片化的变化区域。主要步骤是先进行形态学闭运算，后进行形态学开运算。形态学闭运算是借助结构元素对图像进行先膨胀后腐蚀的操作，目的是填充孔洞间隙以形成相联系的闭合区域。形态学开运算则是对图像进行先腐蚀，后膨胀的运算，作用是消除孤立检测噪声的同时获得边界完整的变化区域。结构元素的选择决定结果的精度，因此要根据实际情况合理设置结构参数。
2.1 实验数据
为验证本文算法的适用性和有效性，选择3组遥感影像数据进行变化检测实验，涉及不同分辨率、不同传感器和不同地物的变化情况。每组数据集在实验前都经过了图像配准和辐射校正等预处理。如图2所示，各数据集都包括两幅双时相遥感影像和一幅参考地物变化图，参考变化图由专家根据目视解译手动勾画，白色为变化区域，黑色为不变区域。
图2 用于变化检测的3组实验数据
第1组实验数据为SZADA数据集[19]，该数据包含在2000年和2005年拍摄的两期空间分辨率为1.5 m的光学航空图像，影像大小为952像素×640像素。主要变化类别为裸地和植被，野外代表性强。第2组实验数据为侧视影像数据集[20]，该数据集来源于以不同偏离最低点角度捕获的2017年和2020年的农村地区的侧视卫星遥感影像，图像大小为1 024像素×1 024像素，空间分辨率为0.5～0.8 m。经人工判读可以发现，两期影像中的变化信息涵盖大量建筑区域的新建和拆除，使用此数据可以测试本文算法对人工地物的检测能力。第3组实验数据为2015—2018年间获取的中国香港地区的哨兵2号卫星影像[21]，影像大小为540像素×695像素，分辨率为10 m。该数据集涉及裸地、植被、建筑和道路等多个变化类别，变化信息丰富。对这3组数据进行实验，测试本文算法的综合检测性能。
2.2 实验设计
为更好地评估本文方法的检测性能，设计两组对比实验进行分析。第1组实验：将本文方法与3种基于灰度信息的变化检测方法(IRMAD、ISFA、PCA)进行对比，比较融合多特征的方法与基于光谱特征的方法在变化检测中的性能差别。第2组实验：与经过最大投票融合得到的光谱变化结果、仅使用光谱差分和GLCM纹理的结果进行对比，验证本文综合考虑多特征进行变化检测框架的有效性。其中光谱+纹理变化检测的基本思路是叠加多波段影像的光谱差异和纹理差异形成特征差异图像，而后经过阈值分割和后处理得到变化区域。
应用3组数据集进行实验，相关的参数设置如下：在 IRMAD和ISFA 迭代中，最大迭代次数为100，收敛阈值为1E-5。提取HOG特征时，考虑到实际情况和适用性，将3组数据集中每个细胞单元的像素数分别设置为12、10和15。实验研究证明，当形态学开运算的结构元素略大于闭运算时，可以获得理想的结果[18]。因此，经多次实验后，将第1、2组数据中形态学开运算和闭运算的卷积核设置为7像素×7像素和5像素×5像素。由于第3组数据中的遥感影像涉及不同地物的变化信息，经实验后设置其开运算和闭运算的结构元素为6像素×6像素和4像素×4像素。
本文选取5项指标进行精度评价，包括漏检率、误检率、总体精度、Kappa系数和F1分数。当误检率和漏检率越低，总体精度、Kappa系数和F1分数越高时，说明错误检测的像元数越少，变化检测的精度越高。
2.3 实验结果与分析
根据上述思路，分别对3组数据进行对比实验，检测结果如图3所示。从检测结果中可以看出，IRMAD法可以检测出大部分的变化区域，但仍存在一些明显的椒盐噪声和误检现象。由于都使用了迭代加权思想，ISFA算法的性能与 IRMAD相似，但ISFA方法虚警率较高，变化物体内部的完整性较差。3组数据的实验结果证明了PCA方法在检测出较完整的变化区域的同时，也产生了大范围的误检区域，严重影响检测精度。这是因为经主成分变换后，前后遥感影像间的有用信息尽可能多地被保留，但因光照条件或辐射差异造成的误检现象无法消除。IRMAD、ISFA和PCA方法利用的是像元间的灰度差异来检测变化像素，对光谱信息敏感。可以看到，检测结果中变化物体的边缘轮廓不够清晰，内部存在大量孔洞间隙。特别是对于第2组数据，由于图像中涉及大量建筑物的变化，仅基于灰度差异的方法检测效果不佳，虚警现象十分明显，且PCA方法对建筑物变化的检测效果较差。与这3种灰度变换方法相比，经MV策略决策分析后的结果可以保留最真实变化的像素，减少噪声干扰且得到最优的光谱变化结果。相较于灰度变化检测方法，结合光谱和纹理特征的检测结果能获得更准确的变化地物，但纹理特征加入的同时也增多了误检区域。综合各特征检测结果的优势，有效提取正确变化的图像信息。可以看出，相较于以上方法，本文检测结果的形状边界更加清晰，自然地物和人工地物的变化都能精确获取，并且有效消除了椒盐噪声现象，检测效果与参考变化图最为相似。
图3 3组数据的变化检测结果
不同方法的精度评价结果如表1所示。相较于IRMAD、ISFA和PCA法，经决策融合后的光谱变化结果能有效降低误检率，提高检测精度，为本文的多特征融合框架提供最佳的光谱变化信息。结合光谱差分和灰度共生矩阵纹理的方法，由于差分法提取的光谱信息会掺杂大量虚假变化，漏检误检仍然存在。但是，纹理特征的加入对建筑物和道路等地物检测有促进作用，因此第3组数据检测结果的总体精度、Kappa系数和F1分数都有所提高。本文方法在3组数据集上的实验结果都得到了最低的误检和最高的总体精度、Kappa系数和F1分数，变化检测的精度最高。这是因为本文的特征选择框架可以综合挑选特征集中的最优特征，得到纹理和方向梯度特征的最佳变化，再与上述的光谱特征变化相结合，得到遥感影像最全面的变化信息。相较于光谱检测结果，纹理和HOG特征检测结果的加入使地物边界更加清晰，物体内部更加完整。从精度评价的指标可以看出，误检率和漏检率下降0.003～0.144，总体精度提高0.528%～2.036%，Kappa系数和F1分数提高0.037～0.197。与基于光谱和纹理的检测结果相比，HOG特征的提取和最优特征选择框架的使用可以有效检测出地物的变化情况。从精度指标来看，本文方法的误检率和漏检率下降0.018～0.166，总体精度提高2.119%～4.681%，Kappa系数和F1分数提高0.063～0.270。此外，从第2组数据的检测精度可以看出，本文方法对人工地物的检测效果更佳。
从表1的精度评价结果中可以看出，第1～3组数据的总体精度均在92%以上且Kappa系数和F1分数都最高，此精度评价结果与目视解译结果相符。通过3组不同传感器、不同分辨率遥感影像的变化检测实验可以看出，本文方法可以有效集成多特征的优势，保留较准确的地物变化信息，显著提高变化检测过程的适用性和鲁棒性。
表1 不同方法的变化检测精度
基于单一的光谱差异进行变化检测往往存在大量的椒盐噪声且检测人工地物的精度不高，本文提出了一种联合光谱、纹理和结构特征的遥感影像变化检测方法。通过最大投票策略融合3个独立的光谱变化结果，得到真实的光谱属性变化信息。而后构建多尺度纹理和方向梯度的特征集，由最优特征选择和自适应阈值获取纹理和结构特征的变化区域。最后基于逻辑运算和形态学算子进行变化信息的综合，生成最终的变化图斑。该方法既克服了基于灰度信息的变化检测方法由于光照条件或辐射差异所造成的椒盐噪声，又可以获得边界清晰内部完整的变化地物。通过3组涉及不同传感器、不同分辨率以及不同地物变化的遥感影像数据进行实验，均取得了较高的精度。此外，与其他方法进行对比实验分析，验证本文方法的鲁棒性和适用性。实验结果表明，本文所提方法的优点如下。
1)3种光谱变化检测结果的决策融合，能够很好地克服椒盐噪声的影响，获得最优的光谱差异信息。
2)光谱特性可以反映丰富的地物类别和属性信息，而纹理和结构特征则有助于显示像元间的领域和空间关系。多种空间特征的加入很好地实现了特征间的优势互补，有助于获得更加稳健的变化结果，提高检测精度。
3)对于建筑物等人工地物的检测效果较好，可以获得边界清晰、内部完整的变化区域。如何提高本文方法在更高分辨率遥感影像中的适用性以及有效融合更多的空间特征进行变化检测将成为下一步研究的重点。
猜你喜欢变化检测纹理光谱基于三维Saab变换的高光谱图像压缩方法北京航空航天大学学报(2022年8期)2022-08-31用于遥感图像变化检测的全尺度特征聚合网络北京航空航天大学学报(2022年8期)2022-08-31基于多尺度纹理特征的SAR影像变化检测河北地质(2021年1期)2021-07-21高光谱遥感成像技术的发展与展望空间科学学报(2021年1期)2021-05-22基于BM3D的复杂纹理区域图像去噪软件(2020年3期)2020-04-20基于稀疏表示的视网膜图像对变化检测中国生物医学工程学报(2019年5期)2019-07-16使用纹理叠加添加艺术画特效摄影之友(影像视觉)(2018年12期)2019-01-28基于Landsat影像的黄丰桥林场森林变化检测研究中南林业科技大学学报(2017年12期)2017-12-19TEXTURE ON TEXTURE质地上的纹理Coco薇(2017年8期)2017-08-03消除凹凸纹理有妙招！Coco薇(2015年5期)2016-03-29